Обучение ИИ модели в стиле Клода Моне

В процессе обучения модели Stable Diffusion применялись картины Клода Моне, являющиеся частью общественного достояния. Материалы были получены с ресурса Artchive.ru , где они доступны для некоммерческого использования, а также с площадок, предлагающих лицензию CC0.

Выбирая материалы для обучения модели, я захотела исследовать возможности ИИ в подражании художественному стилю состоявшегося автора. Мой выбор пал на Клода Моне, великого французского импрессиониста, чей стиль, построенный на трепетной игре света и воздуха, абсолютно уникален и узнаваем.Объектом исследования и генераций стали цветы и водная гладь: страсть художника, ставшая смыслом его позднего творчества. В цветах и отражениях на воде его манила неуловимая изменчивость природы, игра света в разное время суток, цветение как символ бесконечного круговорота жизни, а также та интимная, обособленная красота, которую он создавал в собственном саду в Живерни.Среди исследователей творчества Моне бытует мнение, что на склоне лет он писал уже не столько сами кувшинки, сколько свет, танцующий на водной глади, словно пытался запечатлеть не форму, а само дыхание природы.

Мне было интересно проверить, насколько генеративная модель способна воспроизвести характерные особенности авторского почерка Клода Моне.Цветы, написанные Моне — это мягкие, трепетные переплетения раздельных мазков, создающих иллюзию вибрации света и воздуха. Для модели, обученной на технике художника, не столь важна четкость контуров, если сравнивать с условными фотореалистичными моделями — напротив, именно эта «размытость», этот эффект неуловимого мгновения становятся главной задачей для воспроизведения.В итоговый датасет вошли 40 изображений: фрагменты полотен с кувшинками, полями маков и лугами, а также другие работы художника из позднего периода, с целью предоставить модели сценарий работы с изменчивым светом, водной поверхностью и воздушной средой.

Средой для обучения стал Google Colab — из-за удобства работы с датасетом и доступности, в отличие от Kaggle, где верификация для пользователей из РФ сейчас недоступна.

Перед началом основной части я выполнила подготовку: загрузила нужные библиотеки, скрипты и проверила доступный GPU.

Подготовив датасет, я загрузила его в среду выполнения Google Colab. Итоговый датасет был размещен в директории monet_style_dataset.

После загрузки датасета я проверила его целостность и корректность отображения. С помощью превью я вывела на экран плитку из 5 изображений, включенных в датасет.

С помощью BLIP были созданы уникальные описания для каждого изображения. Промежуточные варианты казались недостаточно ёмкими, однако результат обучения показал обратное.Также был назначен промпт и префикс «painting in MONETSTYLE style», в дальнейшем использующийся для стилистической разметки в процессе обучения и генерации.

В итоговой серии представлены изображения, созданные с помощью собственной LoRA-модели. Лучше всего передаются мягкие цветовые переходы, размытые контуры, световоздушная среда, отражения и эффект живописного мазка, особенно в природных сценах с водой, садами и мягким освещением.

В городских сюжетах результат более экспериментальный: архитектура и узнаваемая структура пространства сохраняются, но становятся менее детализированными и переводятся в живописную фактуру. Таким образом, серия показывает разную степень устойчивости обученного стиля в зависимости от того, насколько сюжет близок к изображениям исходного датасета.

Для обучения использовались Stable Diffusion XL, DreamBooth и LoRA, обучение проходило 800 шагов, а для активации стиля применялся токен MONETSTYLE. Дополнительная обработка после генерации не использовалась, поэтому серия показывает непосредственный результат того, как модель усвоила и перенесла визуальные особенности исходного датасета.